模糊函数主脊切面极坐标域形态特征提取方法EI北大核心CSCD

提取能表现信号本征信息的脉内特征参数是解决当前复杂体制雷达辐射源信号分选难题的有效途径。由于模糊函数能较为细致地反映信号的内在信息,提出一种基于极坐标转换的模糊函数主脊切面形态特征提取方法,该方法首先将模糊函数主脊切面变换到极坐标域以形成封闭的几何图像,然后提取该图像的均面积、致密度和似圆度作为信号分选的特征向量。模糊C均值聚类实验表明,所提特征在大于0 dB条件下分选6类典型雷达信号的成功率保持在95.33%以上,即使在信噪比为-2 dB,分选成功率仍可达到88.5%;在0-20 dB动态信噪比条件下平均分选成功率为99.7%,证实了所提方法的有效性。特征提取耗时实验证明,所提方法提取单个信号特征仅需1.34 s,具有令人满意的时效性。     

模糊函数主脊切面极坐标域形态特征提取方法

提取能表现信号本征信息的脉内特征参数是解决当前复杂体制雷达辐射源信号分选难题的有效途径。由于模糊函数能较为细致地反映信号的内在信息,提出一种基于极坐标转换的模糊函数主脊切面形态特征提取方法,该方法首先将模糊函数主脊切面变换到极坐标域以形成封闭的几何图像,然后提取该图像的均面积、致密度和似圆度作为信号分选的特征向量。模糊C均值聚类实验表明,所提特征在大于0 dB条件下分选6类典型雷达信号的成功率保持在95.33%以上,即使在信噪比为-2 dB,分选成功率仍可达到88.5%;在0～20 dB动态信噪比条件下平均分选成功率为99.7%,证实了所提方法的有效性。特征提取耗时实验证明,所提方法提取单个信号特征仅需1.34 s,具有令人满意的时效性。     

基于模糊函数多维结构度量特征的雷达辐射源信号流在线分选

针对现有雷达辐射源信号(RES)特征信息易受噪声影响、分选时效性低等问题,提出一种基于模糊函数多维结构度量特征的信号数据流在线分选方法。首先,应用图像全局相似性思想,以积分加速后的非局部均值平滑方法对信号模糊函数进行去噪处理。其次,从处理后模糊函数的主、侧两个角度提取多维度结构分布特征,形成特征向量。最后,优化了一种半监督学习分选模型并在线作用于不断输入的信号特征向量流,得到实时分选结果。实验结果表明,在先验数据量较少的情况下,所提方法在8～18 dB的信噪比环境中均可保持99%及以上的分选成功率,即使处于2 dB环境下,准确率仍可达91.8%。同时,提取单个信号特征平均耗时仅需0.29 s。结果验证了所提方法的有效性和实时性,具有一定工程价值。     

一种振动信号降噪的堆叠降噪自编码器方法

为了解决振动信号降噪问题,提出一种基于堆叠降噪自编码器的方法.结合PReLU激活函数和批标准化对传统堆叠降噪自编码器进行改进,增强了模型的特征提取和信号重构能力.堆叠降噪自编码器方法使用编码器提取含噪振动信号中的特征,使用解码器进行信号重构,从而实现振动信号降噪.在正弦信号、调幅信号和轴承故障仿真信号下进行降噪实验,取...     

基于EVMD和SODN的滚动轴承故障识别研究

在传统的滚动轴承故障识别方法中,存在对轴承振动信号的人工特征提取、选择困难的问题,提出了一种基于增强变分模态分解(EVMD)和自组织深层网络(SODN)的滚动轴承故障识别方法。首先,为了自动确定变分模态分解的模态数目,提出了一种功率谱的分割方法,从而提高了轴承振动信号的信噪比,并将滚动轴承的振动信号自适应分解为若干本征模态分量(IMFs);然后,根据综合评价指标,选择了较能反映轴承故障特征的IMFs分量,同时为了达到信号降噪的目的,对其进行了重构;最后,将自组织策略引入到深层自编码器中,进而构造了SODN,并将降噪后的轴承振动信号输入SODN,进行了自动特征学习与故障识别的对比实验,以验证该方法的可行性和有效性。研究结果表明:所提出的EVMD-SODN方法的轴承故障识别率达99.15%,标准差仅0.10,在故障识别率方面相比于其他组合模型具有较大优势。     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。     

基于IEWT和IWAAE的滚动轴承故障识别研究

通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法。首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅-调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别。研究结果表明：与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28%,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法。     

基于小波脊和FSVM的雷达辐射源识别

有效的特征提取和信号特征选择是解决复杂体制雷达辐射源信号分选难题的重要手段。利用小波脊和高阶谱分析方法提取雷达辐射源信号的瞬时频率、瞬时相位和幅度以及高阶累积量等特征向量。通过基于互信息的贪婪算法进行特征选择,得到具有低维数、可识别性的辐射源特征。为解决多分类问题中的不可分情况,引入基于模糊C均值聚类的模糊支持向量机进行雷达辐射源分类识别实验。实验表明,该方法对多种复杂辐射源信号具有较好的识别效果。     

基于ICA和SVM的混合通信信号调制方式识别

本文提出了一种基于独立分量分析(ICA)和支持向量机(SVM)的混合通信信号调制方式识别的方法,针对接收的信号多为混叠信号、先验知识少、分离困难等特点,采用独立分量分析的方法,将这些独立的信号分离开来。然后引入基于SVM的信号调制方式识别方法,从通信信号的瞬时幅度、相位、频率等特性中提取了6个特征参数,并用SVM调制识别器进行识别。仿真结果证明,在信噪比不低于10dB时,算法的识别率可以达到95%以上,证明了此方法的可行性。     

基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法.首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征...     

基于堆叠有监督降噪自编码的运行状态评价

本文针对非线性和噪声干扰的工业生产数据，提出一种基于堆叠有监督降噪自编码(SSDAE)的过程运行状态评价方法。首先，提出一种有监督降噪自编码模型，将状态等级标签引入到模型训练中，使得有监督DAE学习与过程运行状态密切相关的特征并具备较强的状态等级区分能力。其次，利用由多个有监督DAE模型堆叠而成的SSDAE提取过程数据中与运行状态密切相关的深层特征，并作为SoftMax分类器的输入建立过程运行状态评价模型。最后，将所提方法应用于湿法冶金过程运行状态评价，仿真结果表明，对数据按30%比例随机置零的方式进行损坏后，该方法的评价准确率高达95%,明显优于其他几种比较方法，验证了所提方法在强噪声干扰条件下良好的性能和可行性。     

基于分层分块堆叠状态相关降噪自编码器的流程工业过程运行状态评价

本文针对不同运行状态数据差异度小、数据易受强噪声干扰而且具有多工序的流程工业过程，提出了一种基于分层分块堆叠状态相关降噪自编码器(HMSPDAE)的过程运行状态评价方法。首先，根据工艺特性对全流程进行层次结构划分。然后，提出一种堆叠状态相关降噪自编码器模型，用于提取各个子工序及全流程过程数据中与运行状态密切相关的深层特征，进而建立基于HMSPDAE的全流程评价模型。所提方法可以有效降低模型复杂度、增强模型的可解释性。最后，以湿法冶金过程为背景进行仿真验证，结果表明HMSPDAE在两个不同实验中的评价准确率分别达到99.5%和99.38%,均优于其他方法，验证了所提方法的有效性和优越性。     

空气耦合超声信号的小波阈值滤噪试验研究

穿透式空气耦合超声检测中,由于较低声波透射率、激励接收系统噪声及声波在介质中的散射噪声导致接收信号信噪比较低,小波阈值滤噪技术在解决上述问题时面临小波基、分解层数及阈值函数的选取难题。基于小波分析的基本原理,以单因素分析方法开展小波阈值滤噪试验研究。选择不同小波族(Daubechies,Symlet和Coiflet)中的小波基、小波分解层数(4～8层)及阈值函数(软阈值及改进阈值函数)对实际含噪超声信号进行小波阈值滤噪处理,并通过对比滤噪信号的信噪比及频谱特性得出不同参数对滤噪效果的影响。结果表明,选择Coiflet小波族中的小波基能获得具有更高信噪比及透射信号幅值的滤噪信号;分解层数越高,滤噪信号的信噪比越高,但增长趋势渐趋稳定;阈值函数对滤噪性能的影响并不十分显著,一般采用软阈值函数或改进阈值函数就能获得良好滤噪效果。     

低 SNR 场景下微型无人机跟踪-检测融合方法

针对低信噪比(SNR)场景下微型无人机探测难题,本文提出了一种基于序贯蒙特卡罗-检测前跟踪(SMC-TBD)的多输入多输出雷达目标跟踪-检测融合方法。区别于跟踪和检测过程相互独立的传统方法,本文方法直接利用三维傅里叶变换后未经阈值处理的雷达原始数据,通过SMC方法计算目标累积存在概率,在实现微型无人机连续检测的同时,完成目标轨迹的高精度跟踪。本文方法的创新在于通过融合检测和跟踪过程,实现了时间-距离-多普勒-方位域目标能量累积,提高了低SNR场景下微型无人机探测性能。实验结果表明,本文方法在SNR低于-20 dB时,微型无人机跟踪性能才逐渐恶化,相比于雷达量测、扩展卡尔曼滤波和粒子滤波提升了约8 dB。     

基于经验与变分混合分解的超声回波信号噪声消除方法

超声缺陷检测结果易受超声回波信号中复杂噪声的干扰,为了提高超声缺陷检测的准确度,提出一种基于混合分解的 超声回波信号噪声消除方法。 采用经验模态分解算法结合相关系数指标对超声回波信号进行预处理,得到消除低频噪声分量 的超声回波预处理信号。 基于变分模态分解将该预处理信号分解为一系列窄带本征模态函数,引入互信息指标估计变分模态 分解的最优模态数量,并根据窄带本征模态函数与预处理信号的相关系数提取有用的模态分量,实现对超声回波信号去噪结果 的重构。 通过仿真和实测超声回波信号验证了本文方法的去噪性能,并与现有方法进行了对比。 结果表明,本文方法可同时消 除超声回波信号中的高频和低频噪声,在不同信噪比条件下 EMD、VMD 和本文方法去噪结果的 SNR 均值分别为 10. 01、9. 48 和 16. 09 dB,验证了本文方法对于超声回波信号噪声消除的优越性。     

基于自适应LMS的导波雷达液位计回波识别与校正

非平稳及多奇异点的雷达回波信号包含虚假回波,影响液位回波信号的识别与液位测量.为解决雷达液位计的虚假回波干扰问题,提高液位识别与测量精度,提出一种回波识别与校正方法.将短时幅度函数与短时过零率函数结合,利用函数逐帧地对回波信号计算,识别液位回波信号;通过自适应最小均方误差进行系统的权矢量迭代,更新权系数,对回波信号进行处理,进行抑制虚假回波干扰.实验结果表明:该方法能够准确识别液位回波信号;液位测量精度可达到0.42％F.S,相比于其他去噪方法,该方法在抑制噪声的同时能较好地保留信号奇异性特征,有较好的鲁棒性.     

高速摄影仪成像噪声去除方法研究

高速摄影仪在超高帧率下(>10 000 FPS)易产生噪声,该噪声分布复杂,难以获取与有噪图像完全对应的清晰图像。针对该问题,提出一种基于非理想配对图像的卷积去噪网络训练方法。首先利用高速和低速摄影仪拍摄相同场景图像,获得有噪图像及与其对应的非理想配对清晰图像;然后,建立基于卷积神经网络的深度去噪模型,结合亮度一致化和图像对齐方法,实现非理想配对图像的监督学习,从而去除成像噪声;最后,引入模型量化技术将模型参数和激活值由32位浮点数量化为8位定点数,降低模型大小、内存需求和运行时间。实验结果表明,提出的去噪方法可有效去除高速摄影仪成像噪声,相比于其他方法,去噪图像峰值信噪比提高1.96 dB,结构相似性提高1.95%;通过模型量化,模型大小降低4倍,内存需求降低45.62%,运行时间降低37.5%。     

海洋可控源电磁数据的新型小波基消噪方法

海洋可控源电磁(MCSEM)信号极易受到多种噪声的干扰,从而影响后期数据的反演解释精度。基于小波技术的降噪理论和方法已被广泛应用于MCSEM信号的消噪领域,但小波基均为通用小波基,消噪效果有待提升,提出了构造专用于MCSEM信号的新型小波基。首先,通过粒子群优化算法(PSO),以新型小波函数与MCSEM信号的平均相似度作为约束条件,迭代求解滤波器组的最优系数;然后利用得到的系数构造新型小波基。其次,针对深海勘探中的海水扰动噪声,设计了基于新型小波基消噪方法,并利用仿真的含噪数据与传统小波基消噪方法进行了对比实验;通过信噪比(SNR)及均方误差(MSE)进行消噪效果评价,表明新型小波基消噪方法优于传统小波基消噪方法。最后,将新型小波基消噪方法应用到了实测MCSEM数据中;通过消噪前后的时域信号及振幅随偏移距变化(MVO)曲线对比分析,结果表明,该方法不仅可以去除海水扰动类噪声,还可以扩大MVO曲线偏移距的解释范围,证明了基于新型小波基消噪方法的有效性和实用性。     

[设备健康管理]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号噪声干扰大、单一分类器泛化能力不强的问题,提出了一种基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法。利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE)以获得多个性能优异的SDAE,并提取多样性的故障特征;采用多响应线性回归模型集成多样性故障特征实现信息融合,得到多目标集成堆栈去噪自动编码器(MO-ESDAE),最后将其应用于行星齿轮箱故障诊断。实验结果表明：该方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。